用于确定急性缺血性卒中发病时间的域内任务自适应迁移学习
图像与视频处理
2021-05-03 v1 计算机视觉与模式识别
机器学习
摘要
急性缺血性卒中（AIS）的治疗在很大程度上取决于发病至就诊时间（TSS）。然而，对于未目击发病的 AIS 患者，多达 25% 的人可能无法 readily 获得 TSS。针对 TSS 未知患者的当前临床指南推荐使用 MRI 来确定溶栓资格，但放射学评估的阅片者间变异性较高。在本工作中，我们提出深度学习模型，利用 MRI 扩散序列基于临床验证阈值对 TSS 进行分类。我们提出一种域内任务自适应迁移学习方法，其包括在较易的临床任务（卒中检测）上训练模型，然后利用不同的 TSS 二值阈值对模型进行精调。我们将该方法应用于 2D 和 3D CNN 架构，我们的最优模型在分类 TSS < 4.5 小时时达到 0.74 的 ROC-AUC 值，灵敏度为 0.70，特异度为 0.81。我们的预训练模型比从头训练的模型取得更好的分类指标，且这些指标超过了先前发表于我们数据集上的模型。此外，我们的流程比以往工作容纳了更具包容性的患者队列，因为我们未基于临床、人口统计或图像处理标准排除影像研究。当应用于这一广泛患者谱时，我们的深度学习模型在分类 TSS < 4.5 小时时总体准确率达 75.78%，对 TSS 未知患者具有潜在治疗意义。
引用
@article{arxiv.2011.03350,
title = {Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time},
author = {Haoyue Zhang and Jennifer S Polson and Kambiz Nael and Noriko Salamon and Bryan Yoo and Suzie El-Saden and Fabien Scalzo and William Speier and Corey W Arnold},
journal= {arXiv preprint arXiv:2011.03350},
year = {2021}
}